多次散射中心横向位置属性及图像表征

多次散射结构是不可忽视的重要散射来源,其等效视在散射中心往往偏离目标区域,目前的解译和识别方法不具备对SAR图像中的多次散射中心现象进行散射机理和散射结构溯源的能力。为深入挖掘多次散射中心位置的本质,本文以散射中心的理论为基础,正向建立了具有明确物理含义的散射中心模型,揭示了多次散射中心横向位置与复杂多次射线路径的联系,解释了多普勒频率的形成机制,并探讨了其在雷达目标识别中的应用。首先,本文从电磁散射物理过程出发,推导了任意阶次射线场的解析表达式;其次,结合正向物理推导获取的雷达回波信号表达式与逆傅里叶变换,表征了目标在单站雷达上的图像特征,实现了散射中心三维空间位置在单站雷达图像中的直接映射;最后,通过仿真,构建了多次散射射线光程、回波信号相位表征、雷达图像散射中心位置三者之间的物理关联。

基于局部密度聚类的雷达目标散射中心区域分割

散射中心是描述雷达目标高频散射机理的重要特征,准确提取雷达目标散射中心参数对解析雷达目标有着极其重要的研究意义。为了提高散射中心参数计算速度,通常将整幅合成孔径雷达(synthetic aperture radar,SAR)图像分解为多个包含散射中心的小区域,对每个小区域分别进行特征提取和参数计算。根据雷达目标散射中心的特点,提出了一种基于局部密度聚类的雷达目标散射中心区域分割技术。首先,对雷达图像进行Frost滤波、基于水平集方法(level set method,LSM)的图像分割和面积滤波的一系列图像预处理获得目标感兴趣(region of interest,ROI)区域,然后对预处理后的图像利用局部密度聚类算法检测散射中心并进行区域分割。实验中,采用模拟数据和真实数据对所提方法和传统图像分割算法展开数值实验,实验结果验证了所提方法在雷达目标散射中心区域分割的有效性和优越性。

基于密度峰值聚类的宽角域散射中心聚类

宽角域合成孔径雷达(wide-angle synthetic aperture radar,WA-SAR)有着更广泛的角度覆盖范围,基于此得到的宽角域散射中心(wide-angle scattering centers,WA-SCs)包含了目标物体更加丰富的电磁散射特征,这对雷达的目标建模、目标识别等有着重要的意义。为了克服WA-SCs数据维度高、所含信息复杂的特点,并从中提取出所需的目标物体特征,采取密度峰值聚类(density peak clustering,DPC)算法研究WA-SCs。基于SLICY模型数据,从聚类内部评价指标、聚类可视化和算法自动化程度3个方面,将本文算法与经典的K-means、DBSCAN和MeanShift算法进行了对比实验。结果表明,DPC算法具有自动化程度高、高维数据适应性强、聚类精度高等优点,有望为后续的一系列基于WA-SCs的目标建模、目标识别等工作提供技术支撑。

雷达属性散射中心的快速目标分类和参数估计

雷达属性散射中心模型的属性参数能够提供目标更为丰富的重要信息,属性散射中心参数估计对解析雷达目标有着极其重要的研究意义。针对雷达属性散射中心模型,提出了基于深度学习的雷达属性散射中心快速目标分类和参数估计的技术。首先利用ViT(vision transformer)深度学习网络将雷达属性散射中心分类为局部式和分布式两类,然后基于TS2Vec框架构建针对属性散射中心参数估计的卷积神经网络(convolutional neural network for attribute scattering centers,ASCNN),最后分别对两种数据进行训练以实现局部式和分布式属性散射中心的参数估计。基于属性散射中心模型展开数值实验,实验结果表明,该方法对雷达属性散射中心目标分类的准确率高达99%以上;雷达属性散射中心参数估计的速度超过传统方法的10000倍以上,且精度更高,验证了所提方法的有效性和优越性。

基于属性散射中心卷积核调制的SAR目标识别深层网络

卷积神经网络(CNN)的特征提取能力与其参数量有关,一般来说,参数量越多,CNN的特征提取能力越强。但要学好这些参数需要大量的训练数据,而在实际应用中,可用于模型训练的合成孔径雷达(SAR)图像往往是有限的。减少CNN的参数量可以降低对训练样本的需求,但同时也会降低CNN的特征表达能力,影响其目标识别性能。针对此问题,该文提出一种基于属性散射中心(ASC)卷积核调制的SAR目标识别深层网络。由于SAR图像具有电磁散射特性,为了提取更符合SAR目标特性的散射结构和边缘特征,所提网络使用预先设定的具有不同指向和长度的ASC核对少量CNN卷积核进行调制以生成更多卷积核,从而在降低网络参数量的同时保证其特征提取能力。此外,该网络在浅层使用ASC调制卷积核来提取更符合SAR图像特性的散射结构和边缘特征,而在高层使用CNN卷积核来提取SAR图像的语义特征。由于同时使用ASC调制卷积核和CNN卷积核,该网络能够兼顾SAR目标的电磁散射特性和CNN的特征提取优势。使用实测SAR图像进行的实验证明了所提网络可以在降低对训练样本需求的同时保证优秀的SAR目标识别性能。

基于属性散射中心目标重构加权决策融合的SAR目标识别方法

针对合成孔径雷达(SAR)图像目标识别问题,采用原始图像及其属性散射中心目标重构结果进行决策融合。以核稀疏表示分类(KSRC)为基础分类器,对原始及重构SAR图像进行分类。KSRC通过引入核函数提升分类适应能力;目标重构可有效剔除原始SAR图像中的噪声成分。根据目标重构过程中重构结果与残差的能量关系评估原始SAR图像噪声水平,并以此为依据确定原始图像和重构图像决策结果的权重。采用加权融合手段对两个结果进行处理,判断测试样本的目标类别。基于MSTAR数据集对方法进行测试,实验结果证明了其有效性。

基于物理启发机器学习的属性散射中心提取方法

基于参数化散射中心模型进行参数估计是实现合成孔径雷达高级信息获取(SAR AIR)技术的基本思路之一,传统的属性散射中心(ASC)参数估计算法往往具有计算速度慢、算法复杂度高、对参数初值要求高等问题。对此,该文提出一个新的基于无监督学习的端到端框架用于从SAR图像反演ASC参数。首先,利用自编码式网络结构有效提取目标图像特征,缓解由于优化空间复杂非凸导致的直接求解困难,解决初值敏感问题;其次,通过嵌入ASC模型作为物理解码器以将编码器输出约束为正确的ASC参数;最后,通过端到端的模型架构进行学习和推理,达到降低算法复杂度及提高估计速度的目的。通过在仿真和实测数据上进行测试,实验结果表明在0.15 m分辨率测试集SAR图像上取得低于0.1 m的估计误差,反演单个散射中心平均耗时0.06 s,验证了该文所提方法的有效性、高效性与鲁棒性。

旋翼无人机与直升机二次曲面散射中心提取与重建方法

采用快速物理光学(FPO)方法模拟二次曲面片剖分后的旋翼无人机目标散射场,该方法考虑了目标的物理机理,可采用大尺寸比例细分和属性散射中心(ASC)模型提取目标的散射中心。为解决ASC参数估计中的不适定问题,减少计算时间和精度误差,提出一种正交匹配追踪(OMP)与基于成功历史记录的自适应参数差分进化(SHADE)相结合的稀疏方法。数值算例表明,文中方法能够有效准确地提取复杂目标的散射中心,同时在10 GHz频段时,面片数目减少了两到三个数量级。根据散射中心提取结果,得到了旋翼无人机的多个小散射中心围绕中央散射中心呈中心对称分布,而直升机的多个散射中心呈近似平行分布的结论,为利用雷达目标电磁散射特性差异进行低慢小目标精准识别提供可靠仿真依据与理论基础。

基于RANSAC和三维谱峰分析的全姿态散射中心建模

全姿态散射中心模型是一种性能优良的光学区复杂目标电磁散射参数化模型。针对传统的基于候选点筛选和聚类的全姿态散射中心建模方法易出现虚假散射中心和遗漏真实散射中心的问题,该文提出了一种基于目标三维空间电磁散射强度场谱峰分析的建模方法。首先,基于目标多视一维散射中心参数,利用随机采样一致性(RANSAC)方法和Parzen窗函数方法估计目标在三维空间中的电磁散射强度场。然后,通过谱峰分析、散射中心关联和多视量测融合,得到全姿态三维散射中心的位置。最后,利用二值形态学处理修正全姿态散射中心的角度可见性,估计全姿态散射中心的散射系数和类型参数。仿真结果表明,该文方法所提取的全姿态散射中心与目标几何结构具有极强的关联性,相较传统方法,在缩减三维散射中心数量的同时提升了模型的表示精度。

目标近场电磁散射中心建模与特征参数反演

为了通过较少散射场数据实现雷达目标特性建模和参数反演,提出了一种基于时频图多普勒特征的散射中心建模和特征参数反演方法,采用单频点下的一维角度近场扫描数据实现对目标二维散射中心的提取。通过平滑伪Wigner-Ville分布(smooth and pseudo Wigner-Ville distribution,SPWVD)分析方法生成高分辨率时频图,根据不同类型散射中心的多普勒特征,通过Radon逆变换(inverse Radon transform,IRT)提取散射中心模型的位置和幅度参数,并将提取的散射中心位置参数与几何模型参数、散射中心模型重构雷达散射截面积(RCS)与仿真的RCS进行了性能对比。结果表明:该方法只需要单频点的一维角度扫描数据,即可有效提取目标散射中心位置和幅度等特征参数,且重构RCS的均方根误差小于3 dBsm。

基于扩展OTSM图的滑动型散射中心建模方法

雷达目标散射中心建模是雷达目标特性分析与雷达目标识别中的关键步骤,光滑流线型结构在雷达目标上的广泛应用,给传统散射中心建模带来了巨大挑战。该文针对滑动散射中心建模开展研究,首先分别基于曲面边缘散射和曲面散射两种情况,推导了滑动散射中心的位置表达式;其次,提出一种基于扩展1维-高维(2维/3维)散射映射图(One–Two/Three Dimensional Scattering Mapping,OTSM)的滑动散射中心估计方法,通过相邻视角的投影几何关系推导滑动散射中心的位置;然后,综合RANSAC算法获取的固定散射中心,获得目标完备的散射中心模型。利用暗室测量数据对算法进行了验证,结果表明了该文算法的有效性。

基于神经网络和散射中心模型的目标参数提取

从雷达回波中获取目标几何参数信息往往存在高计算成本、非线性等困难。该文基于卷积神经网络和前馈神经网络,提出了一种依据散射中心时频像特征的目标类型自动识别和目标几何参数自动提取方法。由于构建一个神经网络需要大量的训练数据样本,而扩展目标的散射场计算又非常耗时,利用基于已知目标已建立的散射中心模型,快速生成大样本训练数据,有效解决了训练样本难以获得的问题。以弹头类目标为例给出了数值实验结果,证实了所提方法的有效性。

基于散射中心模型的目标电磁特性智能生成网络研究

基于散射中心参数化模型和反向传播(back propagation,BP)神经网络,构建了一种针对目标全角度、宽频段下的远场电场预测网络,该网络将利用目标的位置、幅度、频率等数据信息实现远场电场实部与虚部的快速预测.首先,将对目标强散射点的位置以及强度等参数进行提取;然后,对二维角域以及频域进行区域划分,构建并联式的智能网络架构,从而建立散射中心参数化模型与高精度远场电场间的关系.该方法能够通过新型并联网络的训练,减小传统散射中心模型的频率、角度依赖性的影响,实现目标远场电场的快速获取.由于在网络设计时,充分借鉴了现有的模型中各散射参数对目标电场的影响,因此该神经网络具有清晰的物理意义以及突出的泛化能力.与传统的基于几何绕射理论(geometrical theory of diffraction,GTD)模型的电场重构方法相比,本文方法具有更高的准确性,实验结果表明提出的并联网络使得预测电场误差下降了18%以上,同时针对目标后向远场电场的预测,其相对均方根误差能够小于5%.

薄涂覆目标散射中心的精确建模

目前,针对金属目标的散射中心模型的研究已相对成熟,但是对带有薄涂覆结构的复杂目标散射中心模型的研究较少。通过研究发现,薄涂覆引入的影响主要体现为对散射场幅度的衰减作用。因此,提出通过对薄涂覆对电磁波的衰减作用建模,并在金属目标散射中心模型的基础上增加该衰减项,以实现对薄涂覆目标的散射中心建模。该建模方法避免了直接对复杂目标整体散射进行数学建模和参数估计,散射模型的物理意义更明确、形式更简洁。经弹头和飞机目标的全波法结果验证,所建立的薄涂覆目标散射中心模型在雷达散射截面起伏、成像特征的仿真中均具有较高的精度。

基于深度信念网络的属性散射中心匹配及在SAR图像目标识别中的应用

合成孔径雷达(Synthetic Aperture Radar,SAR)图像目标识别是SAR图像解译的重要应用。为提高SAR目标识别的稳健性,本文提出基于深度信念网络(Deep Belief Network,DBN)的属性散射中心匹配方法。属性散射中心参数特征丰富,能够很好地反映目标的局部散射特性。DBN发挥深度学习优势,可以实现测试样本与模板样本散射中心集的稳健匹配,并且能够较好地适应噪声干扰、部分缺失等情形。在构建的属性散射中心匹配关系的基础上,定义相似度度量准则。基于最大相似度的原则确定测试样本所属类别。实验依托MSTAR数据集开展,经验证,所提方法对于SAR目标识别问题具有良好的有效性和稳健性。

基于散射中心调制的宽带雷达干扰技术

根据宽带雷达高分辨一维距离像(High Resolution Range Profile,HRRP)成像原理,提出了一种基于散射中心调制的宽带雷达无源干扰技术。利用干扰物散射中心和目标散射中心叠加的干涉效应,通过控制干扰物的强度及分布,实现对目标区散射中心分布的调制,使原本可以被雷达区分开的散射中心重新聚连。该技术可以使雷达无法通过目标区一维距离像包络的起伏获取目标真实的散射中心分布,进而无法建立被干扰后的成像结果与目标的真实形状、尺度和空间位置等正确的关联关系,最终实现对宽带雷达HRRP成像的干扰。通过典型算例,仿真分析了干扰物的散射强度、干扰物和目标物之间的投影距离等关键参数对干扰效果的影响,验证了基于散射中心调制的宽带雷达干扰原理的可行性。

非合作雷达目标散射中心关联和三维重建算法

针对非合作雷达目标3维重建技术中各未知视角下1维散射中心难以关联的问题,该文提出了一种基于几何约束的散射中心关联方法。此方法通过对反投影误差的检验实现了对部分可靠散射中心的自动选择和有效关联。同时,利用由已关联散射中心距离数据估计出的目标运动参数,实现目标上更多散射中心的关联和3维重建。仿真实验证明,该文提出的算法能够适用于1维散射中心存在缺失点、虚假点和重叠点的复杂情况,有效增强了未知运动目标散射中心关联和重建的鲁棒性。

基于散射中心关联的三维成像方法

基于目标三维散射中心在雷达视线上的几何投影关系,提出了一种雷达目标散射中心关联和三维成像的新方法,采用随机抽样一致性方法实现了对关联样本有效性的检验以及对各散射中心最优关联方案的选取。仿真实验表明,该算法简单易行,适用于目标散射中心和姿态数目较多的情况,并可以对存在缺失点、虚假点等复杂情况的散射中心进行关联和三维成像,具有较高的鲁棒性。

一维GTD散射中心模型参数估计的改进MUSIC算法

针对利用多重信号分类(MUSIC)算法估计一维几何绕射理论(GTD)的散射中心模型时噪声鲁棒性较差、参数精度不高这一问题,提出一类改进的MUSIC算法。首先,构建原始回波数据的共轭矩阵,有效提高了原始回波数据的利用率;其次,将原始回波数据的协方差矩阵、共轭数据的协方差矩阵叠加取平均,得到一个新的总协方差矩阵;最后,对矩阵作2次方、4次方等偶次方处理,得到另一矩阵,以达到增大信号特征值与噪声特征值之间差距的作用,等效为增大了信噪比。仿真结果表明:所提改进算法的参数估计性能及噪声鲁棒性均要优于经典MUSIC算法。

雷达目标散射中心模型反演及其在识别中的应用

提出了一种基于散射中心模型的距离像识别方法。首先采用稀疏空间网格上的宽带测量数据离线反演目标散射中心模型,再将从距离像中实时提取的一维散射中心特征与该散射中心模型的一维投影进行匹配完成在线识别。在散射中心模型反演中,提出了稳定散射中心的概念并基于此完成稀疏空间网格下的一维散射中心投影关联。在识别过程中,通过设计合适的匹配函数解决散射中心参数估计误差和模型误差造成的散射中心数目、幅度和位置不完全匹配问题。仿真实验表明,对于精度较高的模型,基于模型的识别方法与基于距离像模板的方法识别率相当,而在存储量和灵活性方面优势突出。